Descripción:
CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. Este estudio propone un marco metodológico para la detección temprana de la enfermedad de Parkinson (EP) mediante
un análisis multimodal basado en tareas de escritura registradas mediante una tableta de dibujo, comparando la eficacia
de modelos de aprendizaje profundo (Deep Learning, DL) y no profundo (Machine Learning tradicional, ML) así cómo la
explicabilidad de modelos de ML. Se utilizaron dos conjuntos de datos provenientes de regiones culturalmente diversas:
PaHaW (República Checa) y una base de datos propietaria recolectada en Ecuador. Estos conjuntos integran señales motoras
tales como presión, azimut, altitud y coordenadas espaciales capturadas durante tareas de dibujo de espirales.
El análisis comparativo reveló que los modelos de aprendizaje automático no profundo, específicamente Extra Trees y Gradient
Boosting, obtuvieron precisiones destacables de hasta el 93,27% y 94,20% respectivamente, superando a las redes neuronales
convolucionales (CNN) y a las redes neuronales de picos (SNN). Adicionalmente, mediante técnicas de explicabilidad
basadas en SHapley Additive exPlanations (SHAP), se identificaron biomarcadores clave para la detección de la enfermedad,
destacando principalmente la presión máxima ejercida por el lápiz, la repetición angular (azimut) y bajos valores de altitud.
La investigación demuestra la generalización potencial de los biomarcadores identificados a través de poblaciones con características
lingüísticas diferentes. Además, proporciona herramientas interpretables que facilitan el entendimiento clínico
de los resultados generados por modelos predictivos complejos. Sin embargo, también se identificaron limitaciones relevantes,
tales como los altos requerimientos computacionales y limitaciones en escalabilidad asociadas a las SNN, lo cual abre
futuras líneas de investigación hacia la optimización de recursos y mejora en la eficiencia computacional.
